基于图像特征的小麦胚芽鞘识别

利用图像颜色特征,首先分割小麦种子图像进而确定小麦种子轮廓矩,根据其轮廓距确定小麦种子质心坐标,然后根据小麦胚芽鞘图像颜色特征对胚芽鞘图像进行分割、获取小麦胚芽鞘图像,其次利用Zhang-Suen并行快速细化算法对小麦胚芽鞘进行细化获取胚芽鞘骨骼线,进而获取骨骼线图像(单像素)上所有点对胚芽鞘骨骼线进行多段直线曲线近似,最后根据小麦种子轮廓质心坐标、胚芽鞘骨骼线近似曲线和切割距离(给定)确定胚芽鞘的姿态和对小麦胚芽鞘切割点位置进行定位。通过对小麦胚芽鞘30幅图片进行图像处理验证。结果表明,该方法能完整地提取小麦种子和胚芽鞘图像、小麦胚芽鞘姿态及位置信息。基于图像颜色特征的小麦胚芽鞘识别及定位方法,为小麦胚芽鞘的识别与分析提供了准确、快捷、可视的技术手段,对于构建胚芽鞘智能识别、定位的视觉系统及自动化切割装置的研究意义重大。     

基于颜色特征的茄子病害图像检索方法

为克服当前蔬菜病害诊断专家系统依靠文字提供信息的不准确性,提出一种基于颜色特征的茄子病害图像检索方法。详细分析茄子病害图像的颜色特征,在符合人眼视觉特征的HIS颜色空间上进行图像预处理。提取图像的均值、方差、偏度、峰度、能量作为检索特征值,构建图像特征矩阵。利用高斯归一化方法进行归一化处理后,采用欧式距离进行相似性度量。在Visual C＋ ＋6．0开发环境下,采用C＋＋编程开发了基于颜色特征的茄子病图像检索系统。结果表明,基于颜色特征的茄子病害图像检索方法的查准率为65％,查全率为83％,识别效果较好。将该算法应用于茄子病害诊断专家系统,将大大提高系统的鲁棒性,能够满足病害诊断的要求。     

基于颜色特征进行农作物图像分类识别的应用研究综述

利用农作物自身的特征对农作物图像进行分类识别是计算机视觉技术在农业自动化应用中的重要前提条件。本文首先探讨了基于颜色特征的两种图像分类识别方法：统计直方图法和颜色参量的统计特征法，并分析比较了两类方法的特点，试图为以农作物颜色为特征的图像分类识别应用提供思路。最后综述了从分析农作物外在的颜色特征进行农作物图像分类识别的国内外最新研究方法和成果，以促进计算机视觉技术在我国农业领域的应用和发展。     

探讨基于颜色特征的玉米种子纯度识别

玉米种子的纯度,对于玉米的产量,具有直接影响。如何快速的辨别出玉米种子当中的杂粒,提高玉米种子的纯度,是当前我国农业方面急需解决的问题。本文依据玉米种子冠部和侧面颜色作为特征向量,对玉米种子的纯度进行了辨别,期望能够对相关农业部门的玉米种子纯度辨别,提供有意义的参考。     

基于颜色的图像检索方法的研究

为了从海量图像库中准确、快速地查找所需要的图像信息,基于内容的图像检索技术应运而生并且成为学术界研究的热点.基于内容的图像检索主要是利用图像的可视化底层特征,如颜色、纹理、形状等特征进行检索.从颜色特征出发对现有的基于颜色的图像检索技术方法进行分析,从最初的颜色直方图到后来的基于颜色空间特征的图像检索和模糊颜色直方图,最后在此基础上对今后的研究做了简要的概述.     

基于颜色特征的草莓成熟度识别技术研究

草莓成熟度识别技术是草莓采摘机器人顺利完成采摘任务的关键。本研究以"丰香"草莓为研究对象,首先提取不同成熟度草莓的颜色特征,计算草莓图像在HIS颜色空间模型下H分量的均值和方差;然后计算草莓果实红色部分着色面积所占比例;最后,建立BP神经网络,以H分量的均值、方差和草莓红色着色面积比作为BP神经网络的输入,训练完成后,判断待测样本的成熟度等级。通过本研究实验方法划分成熟度等级与经验丰富的果农判断结果对比,实验正确率可以达到90%以上。     

基于颜色特征的图像分割方法及其在足球机器人中的应用

提出一种新的适用于跟踪移动机器人的视觉系统的彩色图像分割技术,这种方法采用符合人类视觉特性的HIS颜色空间表示图像的颜色特性,利用人对颜色的感知来对颜色分量进行非等间隔的量化并形成特征矢量,根据HIS颜色空间三个基本分量合成的一维特征矢量直方图进行分割,并克服HIS颜色空间存在不可避免的奇点对图像分割的影响.另外采用一种基于背景图像的非均匀光照修正算法,应用在足球机器人中.实验结果表明该方法不仅使目标定位和方向角更精确,而且提高动态环境下的鲁棒性.     

基于图像特征库的动物行为识别技术

针对传统接触感应式动物行为识别方法的局限性,根据特定观察视角下动物轮廓、颜色和空间相对位置等物理特征不变以及不同行为下动物产生不同声音的特点,通过建立基于颜色、线条、位置、声音等信息的特征元素库,并利用正则表达式语义规则对这些基础特征元素进行先验知识的有序组织,赋予它们描述不同动物行为特征的能力,进而快速构建出动物行为的匹配模板,缩短动物行为识别过程中特征模板的生成时间,提高动物行为自动识别效率。结果表明,基于图像特征库的动物行为识别技术能够快速、准确地识别不同类别动物行为,在固定视角下其识别率为87. 5%,平均识别时间为60. 3 ms,与背景差分法及光流法相比,本方法在固定视角下的识别精度和识别效率均有所提高。     

基于颜色特征和极端学习机的番茄成熟度识别

番茄成熟度的判断对实现番茄的自动化采摘意义重大,本研究提出了一种番茄成熟度判断的方法——极端学习机,即对番茄图片进行环形分块划分提取每一块的颜色直方图特征组成颜色特征向量,再利用主成分分析法对提取出来的特征进行降维处理,最后采用极端学习机进行识别判断。通过与支持向量机和BP神经网络的对比发现,极端学习机速度极快,远远快于BP网络和支持向量机,同时极端学习机泛化性较好,在番茄成熟度判断中精度达到92.7%。     

基于直方图小波变换的图像颜色特征索引技术

提出了一种基于直方图小波变换的图像颜色特征索引技术:对图像HSV颜色直方图进行小波变 换,变换后数据用于相似性的递进匹配。该方法与直接直方图比较具有相同的效果,而特征矢量长度明 显减少,检索效率明显改进。实验结果表明,小波变换由于其金字塔形式可为图像数据库提供内容特征 的递进匹配,明显加快图像检索匹配速度。     

基于直方图小波变换的图像颜色特征索引技术

提出了一种基于直方图小波变换的图像颜色特征索引技术:对图像HSV颜色直方图进行小波变换,变换后数据用于相似性的递进匹配.该方法与直接直方图比较具有相同的效果,而特征矢量长度明显减少,检索效率明显改进.实验结果表明,小波变换由于其金字塔形式可为图像数据库提供内容特征的递进匹配,明显加快图像检索匹配速度.     

基于颜色特征码本的病害图像分类算法研究

首先对枸杞叶部图像的各类别病害图像的颜色特征进行分析,建立对应病害类别的颜色特征码本,最后利用稀疏表示理论建立病害图像颜色分布与病害类别的映射关系,进行基于颜色特征码本的病害图像分类。试验结果表明,该方法能有效建立病害图像的颜色特征与病害类别之间的关系。     

基于神经网络和图像颜色、形状特征的绿色苹果图像分割

图像分割是苹果采摘机器准确识别和定位苹果的关键步骤.本研究首先采用线剖面方法对采集的苹果图像针对颜色特征进行分析,提出了利用颜色特征R-B的色差法对青果期苹果图像进行初步分割.在利用分割后的图像提取图像区域的形状特征(面积、周长、圆形度、离心率等).然后将得到的8个形状特征作为BP神经网络的输入量,随机选取一定数量的样本图像作为BP神经网络的训练样本图像和验证样本图像.样本图像经过BP神经网络训练后,建立了绿色苹果图像的分割模型.通过BP神经网络分割后的苹果图像,果实识别率高达89.3％,分割效果良好.     

基于无人机RGB图像颜色及纹理特征指数的小麦产量预测

利用无人机获取小麦孕穗期和开花期的RGB图像,通过图像处理获取小麦图像颜色指数和纹理特征指数,并在小麦收获后测定实际产量.通过分析各颜色指数、纹理特征指数与小麦产量之间的相关性,筛选出各生育期与小麦产量相关性最高的颜色指数和纹理特征指数,建立小麦产量预测模型并进行验证.结果表明:小麦孕穗期和开花期图像颜色指数与产量相关...     

基于图像灰度直方图特征的草莓病虫害识别

通过作物可见光图像,对作物病虫害进行准确识别,在作物生长自动监测、精准施药等领域具有重要意义。提出一种基于图像灰度直方图特征的草莓病虫害识别算法识别草莓蛇眼病。该算法首先计算训练集草莓叶片灰度图像的直方图,然后提取直方图的8个特征(平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围)并进行归一化处理,通过支持向量机(support vector machine,简称SVM)、K-近邻(K-nearest neighbor,简称KNN)及朴素贝叶斯3种识别方法对8个特征进行训练,得到相应的病虫害识别分类器。结果表明,SVM分类器的分类效果优于其他分类器,因此本研究最终选用SVM分类器对验证集图像进行分类,得到分类正确率达90%以上。     

基于PLSA和颜色命名的小麦图像分割方法

为减少大田环境下光照不足对小麦图像分割的影响,以及提升小麦图像中偏黄叶片的提取效果,提出了将白平衡调整、局部同态滤波预处理和基于概率潜在语义分析(PLSA)模型的颜色命名算法相结合用于小麦图像分割的方法。首先,对大田采集的小麦图像进行白平衡调整,得到准确无偏色的图像;然后对光照不足的图像在HSI彩色模型下对亮度分量I进行局部同态滤波处理,以减少光照不足对图像的影响;最后在RGB彩色模型下基于PLSA模型构建的颜色名RGB值字典,提取图像中绿色和黄色像素点对应区域作为目标区域。结果表明,经白平衡调整后F1值提高1.61个百分点;光照不足图像经局部同态滤波处理后F1值提高12.43个百分点,分割效果明显提升;所提方法对绿色、叶片偏黄及光照不足的小麦图像分割的F1值分别为96.39%、97.29%和96.22%,均达到了较好的分割效果;所提方法与K-means聚类算法相比,虽点状噪音和细小孔洞相对较多,但在分割叶片偏黄小麦上F1值提高4.42%,整体分割效果较好,且稳定性强。     

基于颜色差异性的植物叶片病害图像分割方法

针对植物叶部病害图像的复杂性,结合植物叶部病害彩色图像的特点,提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法。对采集的植物叶部病害图像,利用GrabCut算法对其进行背景分割,去除田间复杂环境背景;对其采用中值滤波和图像锐化处理,以尽可能保留图像的病害区域和边缘细节;再对处理后的图像,分别转换到基于生理特性的Lab颜色空间和YUV空间,结合Otsu方法,分别对图像的Lab灰度图及YUV空间的单通道灰度图进行二次分割;对二次分割的两幅图进行与操作,将其转换到RGB空间,即可得到最终的分割结果。利用该方法对常见的大豆、玉米、油菜、黄瓜等多种植物常见的多种叶部病害彩色图像进行了分割试验。结果表明,该方法取得了比较精确的分割图像,并且在抗噪性能、边缘细节保护和分割效率等方面也有很好的效果。     

基于颜色和纹理特征的大麦主要病害识别研究

为提出一种在自然环境条件下基于采集图像的颜色一阶与二阶矩和纹理LBP算子改进模式综合特征参数的大麦病害识别方法,以甘肃河西地区发生的大麦白粉病、云纹病和条锈病为研究对象,采用颜色矩和LBP算子均匀模式综合特征参数来提取大麦病斑的颜色和纹理特征,并将该特征向量作为输入向量构建以径向基为核函数的支持向量机(SVM)分类器模型。利用SVM分类模型对采集到的355幅病害图像进行实例分析,结果表明当径向基参数时,大麦病害整体识别正确率达84.7458%。本研究为农田大麦病害诊断提供了有效的分析手段,验证分类模型在大麦病害研究中的可行性,并可为其他农作物病害诊断提供借鉴和参考。     

基于BP神经网络的小麦群体图像特征识别

 小麦群体特征指标是生产上判断生长动态是否合理和因苗管理的主要依据。以小麦群体绿色面积和绿色叶面积指标信息的获取为例 ,研究了基于图像信息构建自学习BP神经网络识别模型的技术。在用数码相机拍摄小麦群体图像 ,用像素标记算法进行图像分割和特征提取 ,用基于拉普拉斯算子的高通增强滤波技术进行图像增强处理的基础上 ,通过构建的BP人工神经网络 (ANN)模型实现了群体指标的识别 ,准确率在 85 %以上 ,表明利用ANN技术对小麦群体特征图像识别是可行的